Gunakan Machine Learning Designer dari PAI untuk membangun model klasifikasi biner yang memprediksi pengguna mana yang berpotensi churn—tanpa perlu menulis kode.
Prasyarat
Sebelum memulai, pastikan Anda memiliki:
Pengetahuan dasar mengenai konsep pembelajaran mesin (model klasifikasi, rekayasa fitur, evaluasi model)
Lebih dari 1.000 catatan data berlabel yang mencatat perilaku churn pengguna
Waktu satu hingga dua hari untuk pengembangan
Cara kerja
Pipeline Churn User Monitoring di PAI Designer menjalankan empat tahap secara otomatis:
| Tahap | Komponen | Fungsinya |
|---|---|---|
| ① Impor data | — | Memuat set data ke dalam pipeline |
| ② Rekayasa fitur | One Hot Encoding-1, SQL Script-1 | Mengonversi bidang string menjadi nilai numerik. SQL Script-1 mengubah bidang churn: Yes → 1, No → 0 |
| ③ Pelatihan model | — | Membagi set data menjadi set pelatihan dan set prediksi untuk klasifikasi biner |
| ④ Evaluasi model | Binary Classification Evaluation-1 | Memberi skor pada model menggunakan AUC, nilai Kolmogorov-Smirnov (KS), dan Skor F1 |
Set data
Pipeline ini menggunakan data nyata yang telah dianonimkan dari platform telekomunikasi—total 7.043 catatan, masing-masing berisi informasi profil pengguna dan label churn.
Bidang profil pengguna:
| Bidang | Deskripsi |
|---|---|
customerid | ID pengguna |
gender | Jenis kelamin pengguna |
SeniorCitizen | Menunjukkan apakah pengguna merupakan warga negara. Nilai yang valid: 1 (warga negara), 0 (bukan warga negara) |
Partner | Apakah pengguna memiliki pasangan |
Dependents | Apakah pengguna berafiliasi |
tenure | Durasi layanan dengan penyedia |
PhoneService | Apakah pengguna berlangganan layanan telepon seluler |
MultipleLine | Apakah pengguna menggunakan beberapa jalur layanan |
InternetService | Jenis layanan Internet (misalnya DSL atau Fiber optic) |
OnlineSecurity | Apakah pengguna menghadapi masalah keamanan Internet |
OnlineBackup | Apakah pengguna memiliki akses ke dukungan online |
DeviceProtection | Apakah pengguna memiliki akses ke perlindungan layanan |
TechSupport | Apakah pengguna telah mengajukan permohonan dukungan teknis |
StreamingTV | Apakah pengguna memiliki akses ke program TV streaming |
StreamingMovies | Apakah pengguna memiliki akses ke film streaming |
Contract | Periode kontrak (misalnya Month-to-month atau Two year) |
PaperlessBilling | Apakah pengguna menerima tagihan elektronik |
PaymentMethod | Metode pembayaran |
MonthlyCharges | Biaya bulanan |
TotalCharges | Total biaya hingga saat ini |
Label churn:
| Bidang | Deskripsi |
|---|---|
churn | Apakah pengguna telah berhenti menggunakan layanan |
Bangun dan jalankan pipeline
Langkah 1: Buka Machine Learning Designer
Masuk ke Konsol PAI.
Di panel navigasi sebelah kiri, klik Workspaces, lalu klik nama ruang kerja yang ingin Anda gunakan.
Di panel navigasi sebelah kiri, pilih Model Training > Visualized Modeling (Designer).
Langkah 2: Buat pipeline dari templat
Di halaman Visualized Modeling (Designer), klik tab Preset Templates.
Temukan templat Churn User Monitoring dan klik Create.
Di kotak dialog Create Pipeline, tinjau parameter tersebut. Parameter Data Storage menetapkan path bucket Object Storage Service (OSS) tempat pipeline menyimpan data sementara dan model selama waktu proses. Nilai default umumnya sudah sesuai untuk sebagian besar kasus.
Klik OK. Pembuatan pipeline memerlukan waktu sekitar 10 detik.
Di tab Pipelines, klik ganda pipeline Churn User Monitoring untuk membukanya. Kanvas akan menampilkan keempat tahap pipeline yang telah dikonfigurasi sebelumnya dan siap dijalankan.
Langkah 3: Jalankan pipeline dan tinjau hasilnya
Klik ikon Run di pojok kiri atas kanvas.
Setelah pipeline selesai dijalankan, klik kanan komponen Binary Classification Evaluation-1 dan pilih Visual Analysis.
Di bagian Evaluate, klik tab Index data untuk melihat metrik evaluasi.
Metrik Yang diukur Yang harus diperhatikan AUC (area under curve) Akurasi prediksi secara keseluruhan Nilai di atas 0,8 menunjukkan model yang berkinerja baik; semakin mendekati 1, semakin baik Nilai KS Pemisahan antara prediksi churn dan non-churn Nilai yang lebih tinggi menunjukkan kemampuan diskriminasi model yang lebih kuat Skor F1 Keseimbangan antara Presisi dan Recall Nilai yang lebih tinggi menunjukkan lebih sedikit false positive dan false negative 
Data contoh
Gambar berikut menunjukkan tampilan set data:
Komponen SQL Script-1 menjalankan pernyataan berikut untuk meng-encode label churn:
select (case churn when 'Yes' then 1 else 0 end) as churn from ${t1};